論文の概要: Soybean pod and seed counting in both outdoor fields and indoor laboratories using unions of deep neural networks

• arxiv url: http://arxiv.org/abs/2502.15286v1
• Date: Fri, 21 Feb 2025 08:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 17:06:52.651253
• Title: Soybean pod and seed counting in both outdoor fields and indoor laboratories using unions of deep neural networks
• Title（参考訳）: 深部ニューラルネットワークの結合を用いた野外・室内実験室における大豆ポッドと種子の計数
• Authors: Tianyou Jiang, Mingshun Shao, Tianyi Zhang, Xiaoyu Liu, Qun Yu,
• Abstract要約: 野外および屋内実験室でダイズポッドと種子を数えるための効率的な深層学習モデルを開発した。 屋外の畑では、目に見える種子だけでなく、隠された種子にも注釈をつけることで、隠されている大豆の種数を推定することができる。 室内環境では,Swin Transformerモジュール(Mask-RCNN-Swin)を補足したMask-RCNNを用いて,ラベル付きデータの小さな集合から生成された合成訓練画像のみを訓練した。
• 参考スコア（独自算出の注目度）: 7.055221313861364
• License:
• Abstract: Automatic counting soybean pods and seeds in outdoor fields allows for rapid yield estimation before harvesting, while indoor laboratory counting offers greater accuracy. Both methods can significantly accelerate the breeding process. However, it remains challenging for accurately counting pods and seeds in outdoor fields, and there are still no accurate enough tools for counting pods and seeds in laboratories. In this study, we developed efficient deep learning models for counting soybean pods and seeds in both outdoor fields and indoor laboratories. For outdoor fields, annotating not only visible seeds but also occluded seeds makes YOLO have the ability to estimate the number of soybean seeds that are occluded. Moreover, we enhanced YOLO architecture by integrating it with HQ-SAM (YOLO-SAM), and domain adaptation techniques (YOLO-DA), to improve model robustness and generalization across soybean images taken in outdoor fields. Testing on soybean images from the outdoor field, we achieved a mean absolute error (MAE) of 6.13 for pod counting and 10.05 for seed counting. For the indoor setting, we utilized Mask-RCNN supplemented with a Swin Transformer module (Mask-RCNN-Swin), models were trained exclusively on synthetic training images generated from a small set of labeled data. This approach resulted in near-perfect accuracy, with an MAE of 1.07 for pod counting and 1.33 for seed counting across actual laboratory images from two distinct studies.
• Abstract（参考訳）: アウトドアフィールドでのダイズポッドと種子の自動計数により収穫前の収量推定が可能となり,室内実験室の計数により精度が向上した。 どちらの方法も繁殖過程を著しく加速させることができる。 しかし、屋外の畑では、ポッドや種を正確に数えることは困難であり、研究室では、ポッドや種を正確に数えるツールがまだ存在しない。 本研究では,アウトドアフィールドと屋内実験室の両方でダイズポッドと種子を数えるための効率的な深層学習モデルを開発した。 屋外の畑では、目に見える種子だけでなく、隠された種子にも注釈をつけることで、隠されている大豆の種数を推定することができる。 さらに,本手法をHQ-SAM (YOLO-SAM) とドメイン適応技術 (YOLO-DA) と統合することにより,屋外で撮影した大豆画像のモデルロバスト性の向上と一般化を実現した。 野外のダイズ画像を用いて, ポッド計6.13点, 種子計10.05点の平均絶対誤差(MAE)を測定した。 室内環境では,Swin Transformerモジュール(Mask-RCNN-Swin)を補足したMask-RCNNを用いて,小さなラベル付きデータから生成された合成訓練画像にのみモデルを訓練した。 このアプローチは、ポッドカウントに1.07のMAEと、2つの異なる研究から得られた実際の実験画像にまたがるシードカウントに1.33のMAEとほぼ完全な精度をもたらした。

関連論文リスト

• Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves [0.3659498819753633]
  本稿では,葉数と雑草の位置を同時に決定する階層的パノプティックセグメンテーション法を提案する。 この結果,標準学習セットでのPQ+81.89を達成できるだけでなく,本手法により葉数精度を向上できることを示す。
  論文  参考訳（メタデータ） (2024-12-31T16:23:58Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Few-shot Mining of Naturally Occurring Inputs and Outputs [83.3871936721431]
  我々は,100個の小さな種子セットを用いて訓練した教師付き鉱業関数を用いて,大規模コーパスからの入力出力例をマイニングした。 モデル生成データ拡張とは違って,本手法では,複数のタスクを対象としたシードセットのスタイルを模倣するために,自然に発生する高品質な入力出力ペアをマイニングする。 SQuAD型読解では, 採取したデータでシードセットを増強すると, シードセットのみを微調整したBART-largeベースラインよりも13F1の精度が向上した。
  論文  参考訳（メタデータ） (2022-05-09T05:40:52Z)
• Transfer Learning from Synthetic In-vitro Soybean Pods Dataset for In-situ Segmentation of On-branch Soybean Pod [8.1210112132886]
  成熟したダイズ植物は複雑な構造で、ポッドは互いに頻繁に触れ合っている。 ディープラーニングベースの手法は、正確なトレーニングと強力な一般化能力を達成することができる。 人工ダイズポッドからの転写学習を提案する。
  論文  参考訳（メタデータ） (2022-04-22T19:36:28Z)
• Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming [2.6085535710135654]
  リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。 本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。 我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
  論文  参考訳（メタデータ） (2021-12-28T03:51:55Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• High Throughput Soybean Pod-Counting with In-Field Robotic Data Collection and Machine-Vision Based Data Analysis [5.30230364606655]
  以上の結果から, 機械ビジョンに基づく大豆ポッド数と大豆収量との相関が強く示唆された。 ポッドカウントはダイズ収量と強く相関するが,ポッドカウントは非常に労働集約的であり,自動化が困難である。 視覚センサを備えた自律型ロボットは,大豆を成熟時に自律的に収集できることが確認できた。
  論文  参考訳（メタデータ） (2021-05-21T20:52:18Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Weed Density and Distribution Estimation for Precision Agriculture using Semi-Supervised Learning [0.0]
  雑草密度と分布のロバストな推定のための深層学習に基づく半教師付き手法を提案する。 本研究では、作物や雑草を含む前景の植生画素を、畳み込みニューラルネットワーク(CNN)に基づく教師なしセグメンテーションを用いて最初に同定する。 雑草感染地域は、細調整されたCNNを用いて識別され、手作りの特徴を設計する必要がなくなる。
  論文  参考訳（メタデータ） (2020-11-04T09:35:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。